架构视界
主页
企业架构
  • 方案总览
  • 业财一体
  • 企业中台
  • 组织与绩效
  • 流程治理
数据收集与分析
  • 转型总览
  • 信息化阶段
  • 数字化解决方案
  • 智数化解决方案
  • 智能化解决方案
  • 产品设计
  • 项目管理
全栈软件工程
AI 原生软件工程
方法论
博客
  • 资源导航
  • 效率工具
  • 展示专区
主页
企业架构
  • 方案总览
  • 业财一体
  • 企业中台
  • 组织与绩效
  • 流程治理
数据收集与分析
  • 转型总览
  • 信息化阶段
  • 数字化解决方案
  • 智数化解决方案
  • 智能化解决方案
  • 产品设计
  • 项目管理
全栈软件工程
AI 原生软件工程
方法论
博客
  • 资源导航
  • 效率工具
  • 展示专区
  • 数据收集与分析

    • 数据收集与分析
    • 问题与研究设计
    • 采集方法
    • 处理与质量
    • 分析与结论
    • 表达与反馈

问题与研究设计

采集之前先回答"要回答什么问题、什么证据算数"。设计不清时,采集越多,后续整理与分析的返工越多。

1. 从议题到研究问题

议题通常是模糊的,研究问题必须可观测、可证伪:

模糊议题可研究的问题需要的证据
用户流失严重哪些用户在哪一步流失,原因是什么行为日志 + 流失用户访谈
是否进入某区域市场市场空间、竞争强度、准入门槛多大市场数据 + 竞品拆解 + 渠道访谈
改版效果如何改版是否提升目标行为,幅度多大对照实验或前后对比(控制外因)
交付周期为什么变长哪个环节耗时增加,原因是什么流程数据 + 一线访谈
系统为什么变慢延迟集中在哪个链路,何时开始日志、链路追踪 + 变更记录

问题写到"可观测"这一层,证据才有边界;只写"要数据",最后会收到一堆无法支撑结论的明细。

2. 证据类型:定性、定量与混合

类型回答什么问题典型数据局限
定量多少、比例、趋势、是否显著系统数据、问卷量表、实验结果对"为什么"解释力弱
定性为什么、怎么发生、有哪些类型访谈、观察、文本、个案代表性有限,受研究者影响
混合既有规模也有解释定量定位 + 定性解释,或反之成本高,需要明确分工

先确定问题类型,再选证据。手头只有哪类数据就只做哪类分析,是最常见的偏差来源。

3. 研究设计单

每条研究记录七项,作用是确认边界:

字段说明
问题要回答的具体问题与判定标准
证据定性、定量或混合;采集哪些数据、记录什么
样本对象、抽样方式、样本量与代表范围
来源一手、二手、外部;可信度与合规状态
时效一次性、周期性还是实时,与决策节奏匹配
限制明确不做什么、已知的约束
责任人谁设计、谁采集、谁分析、谁使用

4. 抽样与代表性

  • 抽样方式:目的抽样适合定性深挖,分层抽样适合控制结构差异,方便抽样成本低但偏差大;
  • 样本量:定性看信息饱和(新访谈不再带来新主题),定量看统计功效与最小可检测效应;
  • 常见偏差:只访到活跃用户(幸存者偏差)、只收到愿意填问卷的人(无应答偏差)、只依赖系统内数据(系统外流程缺失)。

样本说明写清"能代表什么、不能代表什么",比追求更大的样本更有用。

5. 来源分级

来源决定可信度,也决定采集成本:

级别来源特点使用建议
一手业务系统、日志、访谈与观察记录、实验可追溯、时效好、成本高关键结论优先使用
二手内部报表、数仓、汇总材料加工过、口径可能偏移必须核对加工逻辑
外部行业报告、公开数据、竞品信息覆盖广、口径不可控用于背景与交叉验证

同一结论尽量有两个独立来源。只有一个来源时,在结论里标明。

6. 合规与伦理

  • 只采集与研究问题相关的最小必要数据,敏感字段单独标记;
  • 访谈与问卷需要知情同意,说明用途、保存方式与退出权利;
  • 明确授权范围:谁能采集、谁能访问、保存多久;
  • 外部数据遵守来源方的使用条款,保留来源记录;
  • 涉及个人信息与商业敏感信息时,先脱敏再进入分析环节;
  • 公开输出遵循站点的公开边界,不展示客户、环境与凭据信息。

7. 本阶段产出

产物内容
研究方案问题、证据类型、样本、来源、时效、限制与责任人
证据清单每项证据对应哪个问题、怎么采集、怎么核验
采集计划渠道、频率、责任人、校验规则与交付时间

8. 常见误区

  • 先有数据再找问题,分析变成"数据钓鱼";
  • 问题大而全,既不聚焦也无法证伪;
  • 只有定量没有解释,或只有定性却下全量结论;
  • 样本方便可得,代表性没有评估;
  • 忽略合规与知情同意,结果无法对外使用。

继续阅读

  • 采集方法:各渠道的适用条件、操作要点与偏差控制
  • 数据架构:数据归属与分级安全
最近更新: 2026/11/20 18:00
Contributors: 庆峰
Prev
数据收集与分析
Next
采集方法